Hadoop离线数据分析平台实战——360地域信息分析

项目进度

地域信息分析规则

在地域信息分析模块中， 我们只统计活跃用户、总会话数以及跳出会话个数这三个指标的信息， 那么我看将代码写出之前的模式，一个分析指标写一个mapreduce； 也可以将这三个指标的统计都放到一个mapreduce程序中去操作； 还可以将活跃用户统计和总会话数统计放到以前的active_user和sessions这两个job中， 单独写一个计算跳出会话个数的job来统计最后一个指标。 在这里我们采用介绍第二种方式，也就是讲所有的指标写到一个mapreduce程序中，方便安装模块进行后期维护。

地域维度信息(不考虑平台platform和日期date)， 我们需要统计三个层面的数据， 即：国家级别、省份级别、城市级别。也就是说需要分别统计这三个维度的活跃用户、总会话以及跳出会话个数。 日期维度只按天计算数据，不进行按月和按周计算。 平台维度计算一个all维度和一个具体的平台维度。 需要原始数据：国家、省份、城市、uuid、serverTime、platform这六个维度的字段信息(或者加一个ip地址)， 所以在当前只有pc端数据和后台服务端数据的情况下， 只需要对pageview事件的数据进行统计计算就可以了。

在维度确定的情况下，活跃用户统计就是统计uuid(用户唯一标识符)的去重个数； 总会话个数就是统计u_sd(会话id)的去重个数； 跳出会话个数就是统计只访问一个pv的会话总个数，而且pv的计算是统计访问次数来进行判断的，也就是说pv不去重。 也就是说最终只需要uuid和u_sd就可以进行判断操作了。 统计的最终数据保存到表：stats_device_location表的active_users、sessions以及bounce_sessions三列上。 涉及到其他表有：dimension_platform、dimension_date以及dimension_location。

编码步骤

1. 编写操作dimension_location表相关操作的类和方法。
2. 编写mapper类
3. 编写reducer类
4. 编写runner类
5. 测试